提单数据提取准确率实测——集装箱号、唛头、毛重逐字段验证

你手里有一份集装箱船的原始提单扫描件。你需要把提单号、集装箱号、唛头、件数、毛重、体积——一共十来项——录入到报关系统或货代平台里。如果这是今天唯一一份提单，你自己动手敲完也就三五分钟。但如果这是今天到港的23票货、涉及6家不同船公司和货代、格式从船东单到电子草稿到传真复印件五花八门——一张一张敲就不是三分钟的事了。

于是你考虑交给AI提取。现在的问题是：AI对这些海运单证字段的提取准确率，不能用一个"99%"来回答。集装箱号（4字母+7数字）错一位——你无法在码头追踪这个箱子。唛头里一个三角形符号被漏读——目的港仓库找不到对应的那托货。毛重的小数点错移一位——报关单上的重量和舱单对不上，整票货卡在海关。这篇文章不给笼统的百分比，而是把提单上的关键字段按识别难度逐项拆开：哪些字段AI几乎不出错、哪些字段你需要留个心眼、什么格式的提单提取精度更高。

提单上的"准确率"不是一个数字——三类精度维度决定你能信任什么

一张海运提单上有集装箱号、唛头、件数、毛重、体积、发货人、收货人、通知方、船名航次、装货港、卸货港等十几个字段。把所有这些字段的识别精度混在一起算一个平均数——等于告诉货代"这批货的数据整体靠谱"，但不说哪一票的箱号可能是错的。

在讨论具体字段之前，先对齐一个基本概念。"提单提取准确率99%"可能指三种完全不同的东西：

精度维度	衡量什么	对实际业务的意义
字符级准确率	所有被识别字符中正确的比例	最常被引用，最没有参考价值——一张提单上300个字符，如果错了3个，但这3个恰好全落在集装箱号的11位里，字符级99%对你毫无帮助
字段级准确率	每个独立字段被完整、正确提取的比例	这才是你应该关心的数字。但不同字段之间的准确率差异远超"平均值"的暗示——提单号的字段级准确率可能95%以上，唛头可能不到70%
页面级准确率	整张提单所有字段完全无错误的比例	门槛最高、几乎不会有工具商公布——因为一张提单只要有一个字段出错就算失败。对于十几字段的提单，页面级做到90%都不现实

更进一步，提单的"准确率"还有一层独特的难度分层——不只是OCR读字的精度问题，还包括字段本身的容错率差异。集装箱号错一位=无法追踪箱子（零容错）；毛重偏差1%在当前实践中完全可接受；唛头漏了一个符号可能意味着一整托货在目的港找不到。同一个"字段级准确率92%"，对于箱号可能是致命的，对于毛重可能已经够用。

这也是为什么财务报表数字提取准确率分析中提出的分层验证思路同样适用于提单——你必须把准确率拆成字段级、格式级、场景级三层，才能知道该信任什么。而提单比财务报表多了一个优势：部分字段自带格式校验规则（如集装箱号的ISO 6346校验位），你不需要AI来帮你验证。

了解了精度维度上的三层拆解后，接下来我们逐字段过一遍提单上每个关键字段的识别难度——从最容易的到最棘手的。

逐字段拆解：提单各字段的识别难度三层分级

提单的字段不是平等的。提单号、船名航次、港口名这些标准化程度高、格式固定的字段，AI几乎不会出错。集装箱号格式固定但零容错、字母数字混淆风险高。唛头是自由文本甚至包含图形符号——这是AI提单提取最一致的短板。

低难度区：格式固定、AI几乎不出错的字段

提单号（BL Number）——每家船公司或货代有自己的编码规则（如COSU1234567890、OOLU1234567890），通常以3-4位字母前缀+数字组成。格式高度结构化，在提单上位置固定（通常右上角或顶部）。典型字段级准确率95%以上。主要风险：当提单号与订舱号（Booking Number）、合同号（Contract Number）并排显示时，AI可能混淆——解决方案很简单，列名写"提单号"而不是"编号"。

船名/航次（Vessel/Voyage）——船名是完整英文单词组合（如EVER LEGACY、COSCO SHIPPING CAPRICORN），航次是纯数字+字母组合（如0125W）。两者通常在提单上以"Vessel: XXX / Voyage: XXX"的格式明确标识，定位容易。典型字段级准确率95%以上。极少出错。

装货港/卸货港（Port of Loading/Discharge）——标准地理名称（如Shanghai、Rotterdam），在提单上有明确的"Port of Loading"、"Port of Discharge"标签。典型字段级准确率95%以上。即使OCR把"Rotterdam"读成"Rotterdarn"，AI的语义理解也能纠正——因为它"知道"荷兰有一个大型港口叫Rotterdam。但如果港口是生僻的小港（如"San Antonio Este"），AI没有语义纠错的背景知识，依赖纯OCR精度。

提单签发日期（Date of Issue）——日期格式统一（DD-MMM-YYYY或YYYY-MM-DD），在提单上有明确的"Issue Date"标识。典型字段级准确率97%以上。

中难度区：格式固定但零容错的字段

集装箱号（Container Number）——ISO 6346标准格式：4位字母（所有者代码）+ 6位数字（序列号）+ 1位校验数字（用前10位计算得出），共11位。典型字段级准确率88%-94%。为什么有格式这么固定的字段准确率反而不如提单号？原因完全不在格式——而在字母数字混淆。提单上的箱号字体各不相同，尤其是在传真复印件或低分辨率扫描件上：

B被读成8——MSCU8345678 vs MSCUB345678（完全不同箱号）
O被读成0——OOLU1234560 vs 00LU1234560（前缀不通）
I被读成1——INKU1234567 vs 1NKU1234567
Z被读成2——ZIMU1234567 vs 2IMU1234567（S/N混淆也常见）

这11位字符只要错1位，整条集装箱追踪就断了。好消息是——集装箱号的第11位是校验位，可以独立验证前10位是否正确，不需要依赖AI。具体到下一节展开。

件数（Number of Packages）——纯数字或数字+包装单位（如"2,640 BAGS"、"1×40HQ"）。典型字段级准确率90%-96%。风险来自两处：(1) 件数和包装描述紧挨着时，AI可能把描述文字的一部分当作数字提取（如"2,640 BAGS OF RICE"中可能把"640"之后的内容截断或误读）；(2) 有些提单上同时出现"件数"和"集装箱数量"（如"1×40HQ CONTAINER"中的"1"和件数"2,640 BAGS"），列名如果只写"数量"，AI可能取到集装箱数量而不是货物件数。

毛重（Gross Weight）——数字+单位（KGS/LBS/TON），如"18,540.00 KGS"。典型字段级准确率88%-95%。风险点：(1) 千分位逗号和小数点的混淆（18.540,00 vs 18,540.00——欧洲格式和英式格式差了一千倍）；(2) 毛重和净重（Net Weight）并排显示时混淆——如果列名写"重量"而不是"毛重"；(3) 单位不统一——有些提单用KGS，有些用TONS，如果多份提单混在一起提取但不做单位归一化，"18,540 KGS"和"18.540 MT"会被当作同一量纲直接比较，差了整整一千倍。

体积/尺码（Measurement）——数字+单位（CBM/CUFT），如"32.50 CBM"。典型字段级准确率85%-93%。风险类似毛重，但多一个麻烦：体积在部分提单的格式中字号较小、位置偏底部，在翻拍照片中可能因不均匀光照丢失。

铅封号（Seal Number）——字母数字混合、长度可变（如KSAU123456、HMM7890123）。典型字段级准确率82%-90%。识别难度比集装箱号更高——因为集装箱号至少遵循ISO 6346的固定长度和校验位模式，铅封号完全由船公司或海关定制，没有任何统一格式约束。多个铅封号（如船上封和关封同时出现）时容易漏读。

高难度区：自由文本与视觉符号的盲区

唛头（Marks & Numbers）——这是提单上识别难度最高的字段，没有之一。唛头不是"一段文本"——它是一段自由格式的多行视觉标记，可能包含：英文大写字母组合、数字、箭头、三角形、圆形、菱形等图形符号（"向上"箭头、"怕湿"伞形图标、"易碎"酒杯图标）、上下倒置的文字、甚至手写补充标记。典型字段级准确率60%-80%——跨度大的原因在于唛头本身的复杂度方差极大。一个简单的唛头（如"ABC/NY/1-UP"）AI提取准确率接近90%；一个包含图形符号和多行对齐文本的复杂唛头可能掉到50%以下。

核心问题：AI视觉模型对图形符号的理解和文本化能力不一致。它"看到"了一个三角形，但不知道应该描述为"△"、"TRIANGLE"、还是直接忽略。即使AI识别出图形，在多行唛头的行序逻辑上（这个三角属于第一行还是第三行？）也可能出错。对于依赖唛头在目的港分货的仓库来说，一个符号的错位意味着这批货对不上——这是AI提单提取中最诚实的短板。

货物描述（Description of Goods）——自由文本，通常多行、多段，含商品名称、HS编码、合同号等混合信息。典型字段级准确率75%-88%。风险不在于读错文字——大段英文文字的OCR精度本身不低——而在于边界模糊：货物描述从哪里开始、从哪里结束？有些提单上"Description of Goods"后面紧跟着集装箱号列表和铅封号列表，AI可能把箱号也当成货描的一部分提取出来，导致字段内容膨胀。

发货人/收货人/通知方（Shipper/Consignee/Notify Party）——多行公司名称+地址文本块。典型字段级准确率85%-92%。风险是跨行合并和行序：对于地址文本块，AI不一定理解"香港中环皇后大道中100号25楼"是一个完整地址还是两个独立字段。此外，如果提单上"Consignee"写着"TO ORDER"（指示提单），AI可能把它理解为一个公司名称而尝试匹配，但"TO ORDER"其实是提单项下的空白背书——它不是收货人的名字。

字段	识别难度	典型字段级准确率	最大风险
提单号	低	95%+	与订舱号混淆
船名/航次	低	95%+	极少出错
装货港/卸货港	低	95%+	生僻港无语义纠错
签发日期	低	97%+	格式统一，极少出错
集装箱号	中	88-94%	B/8、O/0、I/1 混淆
件数	中	90-96%	与集装箱数量混淆
毛重	中	88-95%	千分位/小数点混淆、与净重混
体积	中	85-93%	字号小、位置偏，易被漏读
铅封号	中高	82-90%	无统一格式，多封号易漏
唛头	高	60-80%	图形符号丢失、多行行序错乱
货物描述	高	75-88%	边界模糊、混入箱号
发货人/收货人/通知方	中	85-92%	多行地址行序、TO ORDER误读

一个值得强调的规律：提单上格式越固定的字段，AI提取越准——不是说AI有多厉害，而是格式本身给了AI足够的约束条件去定位和纠正。提单上格式越自由、越不规则的内容，AI表现得越不稳定。这是AI提单提取的本质边界：它在结构化信息上接近人类水平，在非结构化自由文本上明显弱于人类——而一个熟练的货代操作在阅读唛头时几乎没有困难。

在逐字段走了一遍之后，有一个字段值得展开来说——因为它是提单上极少数自带校验机制的字段。集装箱号的ISO 6346校验位，让你不需要信任任何AI。

集装箱号——ISO 6346校验位是你不需要AI的免费验证工具

集装箱号是提单上唯一一个自带数学校验逻辑的字段。11位ISO 6346编码中，前4位（所有者代码）+ 6位（序列号）+ 第11位（校验数字）——你可以用前10位算出校验位，然后比对提取结果中的第11位。匹配=箱号大概率正确。不匹配=箱号肯定有误。这个过程不依赖AI，不需要第三方工具，用Excel一个公式就能完成。

ISO 6346的校验位计算公式：

把前4位字母转换为数字：A=10, B=12, C=13, D=14, E=15, F=16, G=17, H=18, I=19, J=20, K=21, L=23, M=24, N=25, O=26, P=27, Q=28, R=29, S=30, T=31, U=32, V=34, W=35, X=36, Y=37, Z=38（跳过了11、22、33，因为这些数字的倍数在后续计算中会出问题）
11位字符（4字母+6数字+1校验位）中，每位乘以2的幂：第1位×2^0，第2位×2^1，第3位×2^2...第10位×2^9，然后求和
用这个和除以11，余数即为校验位（如果余数为10，校验位为0）

在实际操作中，你不需要手算——把提取出来的集装箱号放进一个Excel公式里验证就行。如果11位箱号的校验位不匹配，说明AI在提取时大概率把某个字母或数字读错了。在提单的逐字段精度表中，集装箱号的字段级准确率88-94%——但加上校验位过滤后，你可以把剩下的6-12%错误中至少80%以上揪出来。对于一个需要零容错的字段来说，这个验证步骤的投入产出比极高。

这项校验不局限于提单。任何涉及集装箱号的单证——装箱单（Packing List）、订舱确认（Booking Confirmation）、到货通知（Arrival Notice）——都可以用同一套公式做交叉验证。你甚至可以对整批提单的箱号做批量校验——一列Excel公式刷下来，所有校验不通过的箱号自动标红。

实操建议：在简录AI中提取提单时，列名写"集装箱号（11位ISO 6346编码）"而不是只写"集装箱号"。这相当于告诉AI：你读到的是一个11位的标准集装箱编码，优先用这个格式约束去匹配——即使OCR在某些字符上模糊不清，AI也能用格式约束来辅助纠错。提取结束后，对整列箱号跑一遍校验位公式——这是提单数据质量的最便宜的一道保险。

集装箱号有校验位这道"数学防线"。但提单上还有一类字段完全没有格式约束——唛头，以及和它同样难处理的货物描述。这是AI提单提取最诚实的短板。

唛头与货物描述——AI视觉模型在自由文本上的真实能力边界

提单上的唛头不是一段可读的文字——它是一个视觉标记块。里面可能有英文大写字母、数字编号、向上箭头、雨伞图标、多行文字以特定间距对齐——这些元素对人类操作员来说看一眼就懂，对AI视觉模型来说每一步都是独立的识别挑战。

具体来说，AI在处理唛头时面临三个层次的困难：

第一层：图形符号的文本化。一个向上的箭头（↑）在提单上是一个几何图形——不是Unicode字符。AI可以选择：(a) 忽略它，(b) 用一个文本近似描述它（"UP ARROW"），(c) 用Unicode符号替代（"↑"）。三种做法在不同票据上的表现不一致——同一批提单中，有的唛头被描述为"ARROW UP"，有的被描述为"↑"，有的直接缺失。对目的港的仓库分拣来说，如果这批货的唛头区分靠的就是一个箭头方向——这个不一致就是致命的。

第二层：多行对齐的行序。唛头通常以多行排列，每一行有不同的组成部分：

    ABC TRADING CO.
        ↑   ↑   ↑
    NEW YORK
    PO#: 2024-0881
    C/NO.: 1-320
    MADE IN CHINA

人类看到这段唛头，知道三角符号是装饰性的提醒标记、NEW YORK是目的港、PO#是采购单号、C/NO.是箱号范围。AI看到的是一组文本块的相对位置关系——它能识别出每个独立的文本字符串，但不一定理解这些字符串之间的层级和归属关系。最典型的错误是：唛头中被AI提取出来后，行序完全打乱，变成一段没有排版逻辑的文字拼接。

第三层：手写标注的覆盖。很多出运后扫描的提单原件上，操作人员会在唛头旁边用笔补充标注——如圈出一个箱号、箭头指向某行写"确认"、或在唛头空白处手写"第3批"。这些手写覆盖物对人类是额外的操作信息，对AI是噪音源——AI可能把手写内容当作唛头原始内容提取，也可能因为手写覆盖导致下方的打印文字无法识别。

货物描述面临的是类似的挑战——但不是图形，而是语义边界。"Description of Goods"在提单上可能是：

一个大段落的自由文本（"100% COTTON T-SHIRTS, AS PER PURCHASE ORDER NO. PO2024-0881 DATED 15-JAN-2024..."）
一个表格的多行（每个集装箱一行，列出货物品名和数量）
一段文字后面紧跟着集装箱号列表和铅封号列表，三者之间只有一行空行做视觉分隔

AI在最后一种情况下最容易出错——识别不出"货物描述"到"集装箱号列表"之间的语义边界，把后面的箱号一并吞入货物描述字段。解决这个问题的方法也是列名策略：使用自定义列提取时，列名写"货物描述（仅货描段，不含集装箱号和铅封号）"来给AI一个明确的排除指令。

诚实结论：如果你处理的提单中唛头是简单文字+数字（如"ABC/NY/1-100"），AI提取的字段级准确率能达到85-90%。但如果你的提单唛头包含图形符号、多行复杂对齐或手写标注——唛头提取的可靠性对AI来说仍然是一个开放问题。对于依赖唛头做货物分拣的仓库来说，不建议把AI提取的唛头直接用于自动分拣指令——把它作为人工确认的辅助参考更合适。这是工具能力的诚实边界，不是在回避问题。

字段本身的识别难度是内生变量。但提单的格式——船东单还是货代单、高清还是翻拍——是外生变量，而且对精度的影响比字段本身更大。

三种提单格式的真实精度差异——船东单 vs 货代单 vs 电子草稿

同样一张提单上写着的"Container Number: MSCU8345678"，在船东的电子PDF原稿、货代的扫描件、和外贸公司手机翻拍的传真复印件中——AI的提取精度完全不在一个级别。不是AI变了，是输入质量决定了提取精度的上限。以下区间基于实操中不同格式提单的典型精度表现，不是某一家的宣传数据。

提单格式	来源与特征	集装箱号精度（估计）	唛头精度（估计）	毛重/件数精度（估计）	整体评估
电子草稿 / 船东PDF 船公司或货代直出的原始电子提单，未经打印扫描	PDF文字可选、字体清晰、表格线完整、无干扰噪点	94-98%	78-88%	93-98%	集装箱号、件数、毛重等结构化字段几乎可以放心使用。唛头仍然是最弱的一环——即使是电子文本，图形符号的识别仍然不稳定
货代单扫描件货代House BL的打印件再扫描，格式多样	300dpi扫描，表格线基本完整，但不同货代的排版和字段位置差异大	85-94%	60-78%	85-93%	整体精度降低约8-12个百分点。主要损失来自扫描引入的字符模糊（尤其小字号字段）和不同货代单排版的不一致性
翻拍照片 / 低质传真手机拍照、多次传真复印件、老旧扫描件	倾斜、不均匀光照、分辨率不足、有折痕/污渍/印章遮挡	65-80%	40-60%	70-85%	不建议在无人工核对的情况下依赖AI提取。每一个关键字段（箱号、件数、毛重）都应该与原单逐项比对

船东单（Master BL） vs 货代单（House BL）——不只是"谁出的"区别

在外贸实务中，"提单"这个词实际上可能指两种完全不同的单据：

船东单（Master BL / MBL）——由实际承运船公司（如Maersk、MSC、COSCO、CMA CGM）签发。这些提单格式高度标准化，字段位置基本固定，用的是船公司统一模板。对于AI来说，同一家船公司的提单格式是可预测的——一旦AI"理解"了Maersk提单的布局，这批Maersk提单的提取精度就会稳定在高位。

货代单（House BL / HBL）——由货运代理公司签发。格式五花八门——大的货代（如Kuehne+Nagel、DSV、德迅）有自己的标准模板，但中小货代的提单就是Excel或Word排版产物，字段名称可能写成英文缩写（"C/N"而不是"Container Number"、"G.W."而不是"Gross Weight"），甚至中英文混杂。AI在做语义匹配时，要把"G.W."理解成"毛重"——如果训练数据中G.W.的出现频率低，这个匹配的准确率就会下降。

这也是为什么同一批提取任务中，船东提单的集装箱号几乎全对、货代提单的集装箱号偶尔出错——不是因为AI某一次发挥失常，而是因为输入端的格式一致性差异在AI推理中被结构性放大。而我们在增值税发票字段级准确率实测中发现的规律是相通的：格式越统一、字段位置越固定的单证，AI提取越稳。

知道了不同字段的难度、不同格式的精度差异——最后一个问题也是最实际的一个：你不用相信任何人说的准确率数字。你可以自己验证。

五步验证框架——不依赖AI的提单提取结果校验

提单的数据结构本身内置了多个交叉验证锚点——不需要你信任任何AI，只需要你知道提单上哪些字段之间存在逻辑关联。以下五步校验可以在提取完成后自动化执行，把"这票数据靠不靠谱"从一个主观判断变成一个五分钟跑完的结果。

集装箱号ISO 6346校验位验证

对所有提取出来的11位集装箱号跑一遍校验位公式——不通过的箱号直接标红，退回人工核对。这是提单上成本最低、效果最好的质量过滤。如果一个箱号连校验位都不对，那它几乎一定是错的。

毛重 × 件数合理性校验

提单上的毛重是整票货的总重。如果你也提取了件数（如"2,640 BAGS"），计算毛重÷件数——每件货物的平均重量应该在一个合理区间内。如果"毛重18,540 KGS ÷ 件数2,640 = 约7kg/袋"，一袋7kg的货物可能是大米或化工原料——合理。如果毛重÷件数=0.05kg——大概率毛重或件数的数字出了数量级错误（如毛重少了三个零）。这个校验不会告诉你哪个字段是错的，但会告诉你这票货一定有一个字段错了。

提单号 × 集装箱号对应关系校验

一票提单下可能有多个集装箱。但如果提取结果中某票提单的集装箱号列表为空（或只有一个），而这个提单上实际有多个集装箱——说明AI漏提了集装箱号。通过比对"一票提单至少关联一个集装箱号"这个业务规则，可以快速发现漏提。更进一步的：如果你同时在处理装箱单（Packing List），可以交叉比对提单和装箱单中的集装箱号列表是否一致。

随机抽查：每10票提单抽1票做全字段人工比对

这是任何自动化校验都无法替代的最后一道防线。从整批提单中每10票随机抽1票，拿出原始扫描件，逐字段肉眼对比。如果抽检的10%中没有一个字段错误——整批数据大概率可靠。如果10%中有1张提单的唛头行序完全乱了——说明这一批提单的唛头提取整体不可靠，需要人工全检唛头列。抽检不是为了验证数据，而是为了判断"这批数据里我需要人工核对的列是哪些"。

与报关单/商业发票交叉比对

如果你手头同时有提单和同票货的商业发票（Commercial Invoice）或装箱单——提单上的毛重、件数、唛头应该与商业发票和装箱单一致。这不是AI提取校验，而是单证一致性校验——但它的效果是双向的：既验证了AI提取结果的准确性，也验证了发货人提供的单证数据是否自洽。

如果你也想把商业发票和提单一起提取、做交叉校验——简录AI的自定义列提取可以批量处理不同格式的单证，指定统一的列名（如"毛重""件数"）后，不管原单是提单还是发票，提取结果都会汇总到同一列下。这是我们之前介绍发票字段提取准确率验证时使用过的方法论，同样适用于海运单证的跨类型交叉核对。

了解了字段级精度、格式差异和校验框架——以下是一些实务中最常被问到的问题。

常见问题

Q: AI提取的提单数据能不能直接录入报关系统？

对于电子草稿/船东PDF格式的提单，集装箱号（经校验位验证通过）、毛重、件数、提单号等结构化字段的准确率已经足够让后续的人工核对从"逐个字段对比"变成"抽查"。但对于唛头字段——不建议跳过人工核对，特别是当你的仓库依赖于唛头做货物终点分拣时。底线是：AI提取的数据可以用来自动填充报关系统的表单，但提交前逐个核对唛头、以及验证集装箱号的校验位——这两个步骤不应该省略。

Q: 为什么AI对船东提单的集装箱号提取准确、但对货代提单就不准？

不是因为船东提单上的集装箱号"更好读"——字符本身在两种提单上是一样的字体和大小。差异来自字段定位。船东提单使用统一模板，"Container Number"标签的位置、字体、与箱号码的间距都是标准化的。AI在理解提单布局时，一次性理解了"这个位置就是箱号"之后，后续所有船东提单的箱号定位都稳定。货代提单每一家排版不同——"C/N:"后面跟着的可能是一串箱号、也可能是一串订单号——AI每次都要重新推理，定位准确率就下来了。这个规律和我们在财务报表科目行定位精度中看到的完全一致——格式越统一、字段位置越固定，AI越准。

Q: 唛头提取不准，有没有办法改善？

有改善空间，但没有根治方案。以下方法可以将唛头提取的字段级准确率从60-80%提升到75-88%：(1) 使用尽可能高质量的扫描件——清晰度每提高100dpi，唛头的图形符号识别率显著提升；(2) 在列名中描述唛头的典型格式——如"唛头（英文大写+数字+图形符号，多行对齐文本块）"，这个格式描述给了AI更多定位线索；(3) 如果同一票货的商业发票或装箱单上也有唛头（通常以纯文字形式），优先用那上面的唛头——纯文字唛头的识别精度远高于提单上的图形唛头。但如果你的提单唛头非常复杂（含大量图形符号、手写标注）——目前任何AI方案在唛头上的可靠性仍然不足以跳过人工核对。

Q: 简录AI能处理中英文混合的提单吗？

可以。简录AI的视觉大模型能同时理解中文和英文文本——包括中英文混杂的货代提单（如收货人一栏写的是中文公司名+英文地址）、港口名的中英文表述（如"上海/SHANGHAI"）、以及货物描述中的中英文混合表述。但有一个实际限制：如果提单上中文手写字与打印英文重叠，识别精度会明显下降——手写中文的连笔和打印英文的叠加，对于视觉模型来说是两套识别逻辑的混合，准确率没有独立场景下高。

Q: 和发票提取相比，提单提取的准确率差多少？

同一个AI工具，提单的结构化字段（箱号、毛重、件数、提单号）的提取精度和发票类似——都在90-98%区间，取决于输入质量。差别主要在非结构化字段：发票上最难的字段是税收分类编码（19位小字），提单上最难的字段是唛头（自由文本+图形符号）——后者的识别难度比前者高一个量级。如果把发票和提单混在一起算整体准确率，提单的唛头会拉低平均值约5-8个百分点。这也是为什么"提单提取准确率"这个笼统说法没有意义——它取决于提单中有没有复杂唛头、有没有图形符号、是什么格式。

一句话底线

你可以用AI从几十份不同船公司、不同货代、不同格式的提单中批量提取关键字段——集装箱号、件数、毛重、提单号等结构化数据——比你一张一张手动敲快十几倍。但你必须对两个字段保持人工核查：集装箱号（至少跑校验位公式）和唛头（至少做抽检）。前者的校验是数学题，一分钟能跑完上百票提单；后者的查验需要你——或者你的操作员——用眼睛看。

AI在提单上的价值不是替代你——是替代你在屏幕前逐个字段手动录入的时间。它把你从"一张一张敲提单"变成"一批一批验提单"。验证的工作量比录入少得多——但验证这个动作本身不能省。

提单数据提取准确率实测：
集装箱号、唛头、毛重逐字段验证

Key Takeaways

提单上的"准确率"不是一个数字——三类精度维度决定你能信任什么